Yasser Khan, izvršni direktor tvrtke ONE Tech – Serija intervjua

Yasser Khan, izvršni je direktor tvrtke ONE Tech tehnološka tvrtka vođena umjetnom inteligencijom koja dizajnira, razvija i implementira IoT rješenja sljedeće generacije za proizvođače originalne opreme, mrežne operatere i poduzeća.

Što vas je na početku privuklo umjetnoj inteligenciji?

Prije nekoliko godina implementirali smo rješenje Industrial Internet of Things (IIoT) koje je povezalo mnoga sredstva na širokoj geografskoj lokaciji. Količina podataka koja je generirana bila je ogromna. Skupljali smo podatke iz PLC-ova uz stopu uzorkovanja od 50 milisekundi i vrijednosti vanjskog senzora nekoliko puta u sekundi. Tijekom jedne minute generirali smo tisuće podatkovnih točaka za svako sredstvo s kojim smo se povezivali. Znali smo da standardna metoda prijenosa tih podataka na poslužitelj i da osoba procjeni podatke nije realna, niti korisna za poslovanje. Stoga smo krenuli u stvaranje proizvoda koji bi obrađivao podatke i generirao potrošne izlaze, uvelike smanjujući količinu nadzora koji je organizaciji potreban kako bi iskoristila prednosti implementacije digitalne transformacije—jako usmjerena na upravljanje performansama imovine i prediktivno održavanje.

Možete li raspraviti o tome što je MicroAI rješenje tvrtke ONE Tech? 

MicroAI™ je platforma za strojno učenje koja pruža veću razinu uvida u izvedbu imovine (uređaja ili stroja), korištenje i cjelokupno ponašanje. Ova pogodnost seže od upravitelja proizvodnih pogona koji traže načine za poboljšanje ukupne učinkovitosti opreme do OEM-a hardvera koji žele bolje razumjeti kako se njihovi uređaji izvode na terenu. To postižemo postavljanjem malog paketa (veličine samo 70 kb) na mikrokontroler (MCU) ili mikroprocesor (MPU) sredstva. Ključna razlika je u tome što je MicroAI-jev proces obuke i formiranja modela jedinstven. Model obučavamo izravno na samom materijalu. Ne samo da to omogućuje da podaci ostanu lokalni, što smanjuje troškove i vrijeme implementacije, već također povećava točnost i preciznost AI izlaza. MicroAI ima tri primarna sloja:

1. Gutanje podataka – MicroAI je agnostičan za unos podataka. Možemo iskoristiti bilo koju vrijednost senzora, a MicroAI Platforma omogućuje inženjering značajki i ponderiranje ulaza unutar ovog prvog sloja.
2. Trening – Treniramo direktno u lokalnoj sredini. Trajanje obuke može postaviti korisnik ovisno o uobičajenom ciklusu sredstva. Obično volimo zabilježiti 25-45 normalnih ciklusa, ali to se uvelike temelji na varijacijama/promjenjivosti svakog snimljenog ciklusa.
3. Izlaz – Obavijesti i upozorenja generira MicroAI na temelju ozbiljnosti otkrivene anomalije. Te pragove korisnik može podesiti. Ostali rezultati koje generira MicroAI uključuju predviđene dane do sljedećeg održavanja (za optimiziranje rasporeda servisiranja), ocjenu stanja i preostali životni vijek imovine. Ti se rezultati mogu poslati postojećim IT sustavima koje klijenti imaju (alati za upravljanje životnim ciklusom proizvoda, upravljanje podrškom/ulaznicama, održavanje itd.)

Možete li govoriti o nekim tehnologijama strojnog učenja iza MicroAI-ja?

MicroAI ima višedimenzionalnu analizu ponašanja upakiranu unutar rekurzivnog algoritma. Svaki unos koji se unese u AI mehanizam utječe na pragove (gornje i donje granice) koje postavlja AI model. To činimo pružajući predviđanje korak unaprijed. Na primjer, ako je jedan unos broj okretaja u minuti, a broj okretaja u minuti raste, gornji prag temperature ležaja može malo porasti zbog bržeg kretanja stroja. To omogućuje modelu da se nastavi razvijati i učiti.

MicroAI se ne oslanja na pristup oblaku, koje su prednosti toga?

Imamo jedinstven pristup formiranju modela izravno na krajnjoj točki (gdje se generiraju podaci). Ovo donosi privatnost podataka i sigurnost implementacijama jer podaci ne moraju napuštati lokalno okruženje. Ovo je posebno važno za implementacije gdje je privatnost podataka obavezna. Nadalje, proces uvježbavanja podataka u oblaku oduzima puno vremena. Ovaj utrošak vremena kako drugi pristupaju ovom prostoru uzrokovan je potrebom prikupljanja povijesnih podataka, prijenosa podataka u oblak, formiranja modela i konačnog guranja tog modela do krajnjih sredstava. MicroAI može trenirati i živjeti 100% u lokalnom okruženju.

Jedna od značajki MicroAI tehnologije je njezino ubrzano otkrivanje anomalija, možete li elaborirati ovu funkcionalnost?

Zbog našeg pristupa analizi ponašanja, možemo implementirati MicroAI i odmah početi učiti ponašanje imovine. Možemo početi uočavati obrasce unutar ponašanja. Opet, ovo je bez potrebe za učitavanjem povijesnih podataka. Nakon što uhvatimo dovoljno ciklusa imovine, tada možemo početi generirati točne rezultate iz AI modela. Ovo je revolucionarno za prostor. Ono za što su prije bili potrebni tjedni ili mjeseci da se formira točan model, može se dogoditi u roku od nekoliko sati, a ponekad i minuta.

Koja je razlika između MicroAI™ Helio i MicroAI™ Atom?

MicroAI™ Helio poslužitelj:

Naše Helio poslužiteljsko okruženje može se implementirati na lokalnom poslužitelju (najčešće) ili u instanci oblaka. Helio pruža sljedeće funkcionalnosti: (Upravljanje tijekovima rada, analiza i upravljanje podacima i vizualizacija podataka).

Tijek rada za upravljanje imovinom – Hijerarhija gdje su raspoređeni i kako se koriste. (npr. postavljanje svih korisničkih objekata globalno, specifičnih objekata i odjeljaka unutar svakog objekta, pojedinačnih stanica, sve do svakog sredstva u svakoj stanici). Nadalje, sredstva se mogu postaviti za obavljanje različitih poslova s ​​različitim brzinama ciklusa; to se može konfigurirati unutar ovih radnih procesa. Dodatna je mogućnost za upravljanje ulaznicama/radnim nalozima, što je također dio okruženja Helio Servera.

Analiza i upravljanje podacima – Unutar ovog odjeljka Helija, korisnik može pokrenuti daljnju analitiku na izlazu umjetne inteligencije, zajedno sa svim neobrađenim snimkama podataka (tj. Max, Min i prosječne vrijednosti podataka po satu ili potpisi podataka koji su pokrenuli upozorenje ili alarm) . To mogu biti upiti koji su konfigurirani u Helio Analytics dizajneru ili naprednija analitika donesena iz alata kao što je R, programski jezik. Sloj upravljanja podacima mjesto je gdje korisnik može koristiti pristupnik za upravljanje API-jem za veze trećih strana koje troše i/ili šalju podatke u koordinaciji s Helio okruženjem.

Vizualizacija podataka – Helio pruža predloške za različita izvješća specifična za industriju, što korisnicima omogućuje korištenje prikaza Enterprise Asset Management i Asset Performance Management njihovih povezanih sredstava s Helio desktop i mobilnih aplikacija.

MicroAI Atom:

MicroAI Atom je platforma strojnog učenja dizajnirana za ugradnju u MCU okruženja. To uključuje obuku višedimenzionalnog rekurzivnog algoritma za analizu ponašanja izravno u lokalnoj MCU arhitekturi—ne u oblaku, a zatim prebačenoj u MCU. To omogućuje ubrzanje izgradnje i implementacije ML modela kroz automatsko generiranje gornjeg i donjeg praga na temelju multivarijantnog modela koji se formira izravno na krajnjoj točki. Stvorili smo MicroAI da bude učinkovitiji način konzumiranja i obrade podataka signala za treniranje modela od drugih tradicionalnih metoda. To ne samo da donosi višu razinu točnosti modelu koji se formira, već koristi manje resursa na hardveru glavnog računala (tj. manju upotrebu memorije i CPU-a), što nam omogućuje rad u okruženjima kao što je MCU.

Imamo još jednu ključnu ponudu pod nazivom MicroAI™ Network.

MicroAI™ mreža – Omogućuje da se mreža Atoma konsolidira i spoji s vanjskim izvorima podataka za stvaranje više modela izravno na rubu. To omogućuje horizontalnu i vertikalnu analizu na različitim sredstvima koja pokreću Atom. MicroAI Network omogućuje još dublju razinu razumijevanja izvedbe uređaja/sredstva u odnosu na slična sredstva koja su implementirana. Opet, zbog našeg jedinstvenog pristupa oblikovanju modela izravno na rubu, modeli strojnog učenja troše vrlo malo memorije i CPU hardvera glavnog računala.

ONE Tech nudi i IoT sigurnosno savjetovanje. Kakav je postupak za modeliranje prijetnji i testiranje penetracije IoT-a?

Zbog naše sposobnosti da razumijemo kako se sredstva ponašaju, možemo konzumirati podatke koji se odnose na unutarnje dijelove povezanog uređaja (npr. CPU, upotreba memorije, veličina/učestalost paketa podataka). IoT uređaji uglavnom imaju redoviti obrazac rada - koliko često prenose podatke, kamo šalju podatke i veličinu tog podatkovnog paketa. Primjenjujemo MicroAI za korištenje ovih internih parametara podataka kako bismo formirali osnovnu liniju onoga što je normalno za taj povezani uređaj. Ako se na uređaju dogodi neuobičajena radnja, možemo pokrenuti odgovor. To može varirati od ponovnog pokretanja uređaja ili otvaranja tiketa unutar alata za upravljanje radnim nalogom do potpunog prekida mrežnog prometa prema uređaju. Naš sigurnosni tim razvio je testne hakove i uspješno smo otkrili razne pokušaje Zero-Day napada koristeći MicroAI u ovom svojstvu.

Postoji li još nešto što biste željeli podijeliti s ONE Tech, Inc?

Ispod je dijagram funkcioniranja MicroAI Atoma. Počevši s prikupljanjem neobrađenih podataka, obukom i obradom u lokalnom okruženju, zaključivanjem podataka i pružanjem rezultata.

Ispod je dijagram funkcioniranja MicroAI mreže. Mnogi MicroAI Atomi ulaze u MicroAI mrežu. Zajedno s Atom podacima, dodatni izvori podataka mogu se spojiti u model za detaljnije razumijevanje izvedbe sredstva. Nadalje, unutar MicroAI mreže formirano je više modela koji dionicima omogućuju horizontalnu analizu o tome kako sredstva rade u različitim regijama, između kupaca, prije i poslije ažuriranja itd.

Hvala vam na intervjuu i vašim detaljnim odgovorima, čitatelji koji žele saznati više neka posjete ONE Tech.